19、基于信息最大化判别实现近实时鲁棒人脸及面部特征检测

基于信息最大化判别实现近实时鲁棒人脸及面部特征检测

1. 引言

基于视觉的模式识别算法在持续分析人脸相关视频时，需应对面部模式外观和表情的复杂性。尽可能地，算法应利用所有可用知识进行分析。所有面部分析算法的起点是在复杂环境中检测人脸的存在并精确跟踪其位置，这在计算机视觉领域是一个有趣且具挑战性的问题。这些算法对交互式系统特别有帮助，因为它们能让机器感知用户的存在，从而触发警报、启动应用程序、初始化系统等。

以往的人脸检测工作可根据处理尺度和旋转不变性的方法分为三类：
- 自下而上方法 ：利用基于特征的几何约束。首先使用空间滤波器找到面部特征，然后将它们组合形成假设的人脸候选，最后使用几何约束进行验证。
- 尺度和旋转不变的人脸检测 ：采用多分辨率分割。通过合并区域直到其形状近似椭圆来找到人脸候选，接着使用面部特征进行验证。肤色分割已成功用于在复杂背景中分割人脸。
- 多尺度搜索与固定大小分类器结合 ：多数人脸检测算法使用这种方法。这些分类器通过多种学习技术从示例中进行训练。当没有颜色信息用于分割且测试图像中的人脸太小而无法使用面部特征时，多尺度检测特别有用。

大多数模式识别技术都与多尺度检测方案结合用于人脸检测。早期方法基于图像强度的决策规则，从输入图像的多尺度表示中形成人脸候选，然后使用基于边缘的面部特征进行验证。基于高斯模型的最大似然分类器应用于主成分子空间也在人脸检测中得到研究。同样，支持向量机分类器已成功用于复杂背景下的人脸检测。基于神经网络的系统也成功用于多尺度人脸检测，最近还提出了基于神经网络的旋转不变人脸检测方法。